Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKHuman Activity Recognition merupakan sebuah teknologi yang penting karena dapat diimplementasikan dalam berbagai kebutuhan manusia sehari-hari, seperti mengenai kesehatan manusia. Tujuan dari Human Activity Recognition adalah untuk mengidentifikasi aktivitas manusia yang umum, dimana data yang diterima dapat diteliti lebih lanjut. Seiring perkembangan teknologi, keberadaan komputer dan smartphone sudah tidak dapat dipisahkan lagi dalam kehidupan dan aktivitas manusia. Perkembangan teknologi ini membuat sebuah smartphone dapat memiliki berbagai jenis sensor. Sensor-sensor yang terdapat pada smartphone dapat digunakan untuk melakukan Human Activity Recognition dengan mudah. Contoh sensor pada smartphone yang dapat digunakan untuk melakukan Human Activity Recognition adalah sensor accelerometer untuk mengukur perpindahan. Penelitian ini membuat sebuah aplikasi berbasis Android untuk membaca input dari sensor, diolah dengan library neural network Long Short-Term Memory, lalu menghasilkan output yang sesuai. Hasil output yang dimaksud adalah kondisi dari aktivitas manusia yang diteliti, yaitu kondisi berdiri, berjalan, berlari, duduk, menaiki tangga, dan menuruni tangga.

---

ABSTRACTHuman Activity Recognition is an important technology because it can be implemented to many human problems, such as healthcare. The main purpose for Human Activity Recognition is to recognize common, simple human activities, where the data received can be researched further. With the development of technology these days, the presence of computer and smartphone cant be removed from daily human activities. This technology development made a smartphone that has been integrated with all kind of sensors. An example of sensor that can be used to do a Human Activity Recognition are accelerometer to measure movement. This research made an Android-based application that will read input from these sensors, processed by neural network Long Short-Term Memor y library, and finally produced the intended output. The outputs are the current activity of user thats been researched on, such as standing, walking, running, sitting, walking upstair, or walking downstair."

"Dengan berkembangnya teknologi, sensor telah menjadi sebuah alat untuk membantu manusia dalam hal apapun, mulai dari kesehatan hingga teknologi. Perkembangan teknologi yang ada saat ini membuat sebuah ponsel cerdas memiliki berbagai macam sensor. Hal ini tentu saja lebih praktis dan nyaman dibandingkan alat sensor yang biasanya tidak nyaman untuk digunakan. Sensor-sensor tersebut nantinya dapat dimanfaatkan dengan mengolah datanya untuk menjadi sebuah Human Activity Recognition. Penelitian ini akan mengevaluasi sebuah aplikasi untuk menyimpan data sensor dengan menggunakan Android Studio dengan menggunakan Support Vector Machine untuk menentukan keakuratan data. Melalui aplikasi pendeteksi sensor, data akan dikumpulkan dari relawan yang melakukan empat macam gerakan. Gerakan itu terdiri dari berjalan, duduk, berdiri, dan berbaring. Data inilah yang kemudian diolah menggunakan metode SVM yang keluarannya menunjukkan tingkat akurasi pengklasifikasian tiap data sensor.

---

With the development of technology today, sensors have long been a tool to help humans in everything from health to technology. Fortunately, the current technological developments make a smartphone have a variety of sensors. This is, of course, more practical and comfortable than sensor devices which are usually not comfortable to use. These sensors can later be utilized by processing the data to become an Activity Recognition.

This study will evaluate an application to store sensor data using Android Studio by using Support Vector Machine to determine the accuracy of the data. Through the sensor detection application, data will be collected from volunteers who carry out four types of movements. The movement consists of walking, sitting, standing, and lying down. This data is then processed using the SVM method."

"Human action recognition merupakan suatu proses yang bertujuan untuk mengidentifikasi aksi seorang manusia dalam suatu kerangka gambar atau video. Informasi ini nantinya dapat dimanfaatkan untuk berbagai kebutuhan seperti pemantauan keamanan, pemantauan kegiatan, dan lain-lain. Untuk menghasilkan identifikasi yang akurat, sistem human action recognition membutuhkan lingkungan dengan pencahayaan yang baik dan kontras yang tinggi. Namun, dalam beberapa kasus, pencahayaan yang didapatkan oleh sistem human action recognition tidak begitu baik, sehingga hal ini dapat mengganggu proses identifikasi.  Penelitian ini bertujuan untuk merancang sistem human action recognition dengan menggunakan dataset video termal. Model human action recognition yang akan dibangun menggunakan algoritma PoseC3D dari MMAction2. PoseC3D merupakan salah satu metode pendekatan human action recognition berbasis kerangka manusia yang menggunakan 3D heatmap stack sebagai pengganti rangkaian graph sebagai representasi dasar kerangka manusia. Dataset video termal yang digunakan terdiri dari delapan (8) kelas aksi, yaitu aksi jalan, duduk, menyapu, memegang pistol, memegang senapan, berbaring, melempar, dan memegang pisau/senjata tajam. Selain itu, dilakukan juga penelitian pengaruh parameter detection score threshold dan rasio train test split dataset terhadap performa model. Dari hasil eksperimen, dapat dilihat bahwa model human action recognition yang dibangun memiliki performa yang tinggi, baik pada proses pelatihan maupun pengujian.

---

Human action recognition is a process that aims to identify the actions of a human in an image or video frame. This information can then be utilized for various needs such as security monitoring, activity monitoring, etc. To provide an accurate identification, human action recognition systems require an environment with good illumination and high contrast. However, in several cases, the illumination obtained by the human action recognition system is not so good, which can disrupt the identification process.  This research aims to design a human action recognition system using a thermal video dataset. The human action recognition system will be developed using the PoseC3D algorithm from MMAction2. PoseC3D is one of the skeleton-based human action recognition approach methods that uses a 3D heatmap stack instead of a sequence of graphs as a basic representation of the human skeleton. The thermal video dataset consists of eight (8) action classes, i.e., walking, sitting, sweeping the floor, holding a gun, holding a rifle, lying down, throwing something, and holding a knife/sharp weapon. In addition, a study was conducted to determine the impact of the detection score threshold parameter and the the train test split dataset ratio on model performance. From the experiment results, it can be concluded that the human action recognition model built has a high performance, both in the training and testing processes."

"Perancangan sistem ini dibangun dengan bentuk aplikasi menggunakan kamera yang terdapat pada smartphone untuk mendapatkan citra digital lalu diolah dengan pustaka OpenCV. Pengolahan dilakukan dengan metode Haar Cascade Classifiers untuk mendapat daerah mata, lalu dengan menggunakan kontour, blur, tresholding, keadaan mata dilacak untuk mendeteksi tanda kantuk yang berupa mata tertutup. Aplikasi diuji kecepatan pengolahan dengan pengimplementasian pengembangan optimasi region of interest, nilai ambang HSV, pengaruh kondisi cahaya, dan karakteristik mata. Hasil yang didapatkan menunjukan bahwa dengan memberikan optimasi algoritma kepada sistem yang sudah ada dapat meningkatkan kecepatan pengolahan. Nilai ambang HSV optimal yang didapatkan bermulai dengan V=10 atau 20 dengan selisih tinggi 15 atau 20. Aplikasi memiliki tingkat kegagalan 11.11% pada kondisi pencahayaan dan gagal saat malam. Dari pengujian pengaruh kacamata, didapatkan tidak bahwa kacamata tidak berpengaruh besar dengan tingkat keberhasilan 94.44% untuk pengguna kacamata.

---

The development of this system is built as an application that uses the camera built in smartphones to get digital images which will be processed using the OpenCV library. In the process, Haar Cascade Classifier is used to find the region of interest of the eye, which will then be tracked using contour, thresholding, and blur to detect signs of drowsiness which are closed eyes. The application is tested based on the optimization made on the algorithm, the value for HSV thresholding, the effect of light on different times, and on the characteristic of the eye.

The results show that the optimization made has caused significant speed up on the processing in comparison to existing algorithm. The HSV threshold found to be the most effective is V=10 or 20 with a difference of 15 or 20 to the upper limit.  The effect of light causes 11.11% chance of failure especially when its night without lights. The characteristic of the eye, whether there are glasses or not, does not make a big difference and still has a 94.44% chance of success."

"Bahasa Isyarat Indonesia atau BISINDO adalah bahasa yang sering ditemukan di kalangan Teman Tuli maupun Teman Inklusi dibentuk oleh Teman Tuli dan muncul secara alami berdasarkan pengamatan Teman Tuli yang menyebabkan BISINDO sendiri memiliki variasi atau dialek di berbagai daerah dan BISINDO disampaikan dengan gerakan dua tangan. BISINDO sendiri dapat digunakan sebagai dataset pada metode deep learning seperti LSTM. Di mana pada BISINDO terdapat gerakan dinamis yang membuatnya sulit untuk dilakukan dengan metode CNN. Dengan LSTM dan menggabungkan nya dengan library dari MediaPipe dan Streamlit kita dapat membuat model deep learning yang dapat mendeteksi gerakan secara real-time, akurasi yang baik dan dapat diakses melalui browser. Pada penelitian dibuat rancangan dan pengujian untuk mendeteksi BISINDO secara real-time dengan metode LSTM di bantu dengan library MediaPipe Holistic untuk mendeteksi landmark dari wajah, pose, dan tangan serta Streamlit untuk dapat membuat model diakses melalui browser. Metrik evaluasi yang digunakan pada penelitian ini adalah data dari akurasi, validasi akurasi, loss, validasi loss, confusion matrix, dan classification report untuk mendapatkan data presisi, recall, akurasi, dan f1-score. Pada training model dengan 130 epochs didapat loss 6.19%, akurasi 98.23%, validasi loss 4.58%, dan validasi akurasi 100% serta pengujian model secara real-time yang berhasil dilakukan dengan Visual Studio Code dan browser dengan Streamlit.

---

Indonesian Sign Language or BISINDO is a language that is often found among Deaf Friends and Inclusion Friends formed by Deaf Friends and appears naturally based on the observations of Deaf Friends which causes BISINDO itself to have variations or dialects in various regions. BISINDO is conveyed with two hand gestures. BISINDO itself can be used as a dataset in deep learning methods such as LSTM. Whereas in BISINDO there is a dynamic movement which makes it difficult to do with the CNN method. With LSTM and combining it with libraries from MediaPipe and Streamlit, we can create deep learning models that can detect motion in real-time, have good accuracy, and can be accessed via a browser. In this research, a design and test were made to detect BISINDO in real-time with the LSTM method assisted by the MediaPipe Holistic library to detect landmarks from faces, poses, and hands and Streamlit to be able to make models accessible via a browser. The evaluation metrics used in this study are data from accuracy, accuracy validation, losses, validation losses, confusion matrices, and classification reports to obtain data on precision, gain, accuracy, and f1-score. The training model with 130 epochs obtained 6.19% loss, 98.23% accuracy, 4.58% loss validation, and 100% accuracy validation and real-time model testing which was successfully carried out with Visual Studio Code and a browser with Streamlit."

"The routine dailyactivities that tend to be sedentary and repetitive may cause severe healthproblems. This issue has encouraged researchers to design a system to detectand record people activities in real time and thus encourage them to do morephysical exercise. By utilizing sensors embedded in a smartphone, many researchstudies have been conducted to try to recognize user activity. The most commonsensors used for this purpose are accelerometers and gyroscopes; however, wefound out that a gravity sensor has significant potential to be utilized aswell. In this paper, we propose a novel method to recognize activities usingthe combination of an accelerometer and gravity sensor. We design a simplehierarchical system with the purpose of developing a more energy efficientapplication to be implemented in smartphones. We achieved an average of 95% forthe activity recognition accuracy, and we also succeed at proving that our workis more energy efficient compared to other works."

"The routine daily activities that tend to be sedentary and repetitive may cause severe health problems. This issue has encouraged researchers to design a system to detect and record people activities in real time and thus encourage them to do more physical exercise. By utilizing sensors embedded in a smartphone, many research studies have been conducted to try to recognize user activity. The most common sensors used for this purpose are accelerometers and gyroscopes; however, we found out that a gravity sensor has significant potential to be utilized as well. In this paper, we propose a novel method to recognize activities using the combination of an accelerometer and gravity sensor. We design a simple hierarchical system with the purpose of developing a more energy efficient application to be implemented in smartphones. We achieved an average of 95% for the activity recognition accuracy, and we also succeed at proving that our work is more energy efficient compared to other works."

"Stylometry merupakan teknik analisa terhadap kepengarangan menggunakan statistik. Melalui stylometry, identitas kepengarangan dari suatu dokumen dapat dianalisis dengan tingkat akurasi yang tinggi. Hal ini menyebabkan adanya ancaman terhadap privasi penulis. Namun terdapat salah satu jenis metode dari stylometry yaitu penghapusan identitas kepengarangan yang dapat memberikan perlindungan privasi bagi penulis. Penelitian ini menggunakan metode penghapusan identitas kepengarangan yang diterapkan pada korpus Federalist Paper. Federalist Paper merupakan korpus terkenal yang telah banyak diteliti terutama pada metode identifikasi kepengarangan karena di dalam korpus tersebut terdapat 12 artikel yang tidak diketahui identitas penulisnya, salah satu metode identifikasinya adalah menggunakan algoritma Support Vector Machine. Melalui algoritma tersebut didapatkan identitas penulis dari artikel yang tidak diketahui pengarangnya dengan tingkat akurasi sebesar 86%. Tantangan dari metode penghapusan identitas kepengarangan adalah harus mampu mengubah gaya penulisan dengan tetap mempertahankan makna. Long-Short Term Memory (LSTM) merupakan algoritma berbasis Deep Learning yang mampu melakukan prediksi kata secara baik. Melalui model yang dibentuk dari algoritma LSTM, artikel-artikel dalam Federalist Paper diubah gaya penulisannya. Hasilnya, 30% dari artikel yang diklasifikasi dapat diubah identitas kepengarangannya dari satu penulis menjadi penulis lainnya. Tingkat kemiripan dokumen hasil ubahan berkisar antara 40-57% menandakan perubahan makna yang tidak signifikan dari dokumen aslinya. Hasil tersebut menyimpulkan bahwa metode yang diajukan mampu melakukan penghapusan identitas kepengarangan dengan baik.

---

Stylometry is an authorship analysis technique using statistics. Through stylometry, authorship identity of a document can be analyzed with a high degree of accuracy. This causes a threat to the privacy of the author. But there is one type of method of stylometry, namely the elimination of authorship identity which can provide privacy protection for writers. This study uses the authorship method of eliminating the method applied to the Federalist Paper corpus. Federalist Paper is a well-known corpus that has been extensively studied especially in authorship identification methods because there are 12 disputed texts in the corpus, one of the identification

methods is using the Support Vector Machine algorithm. Through this algorithm the author's identity of disputed text is obtained with an accuracy of 86%. The challenge of the authorship identity elimination method is that it must be able to change the writing style while maintaining its meaning. Long-Short Term Memory (LSTM) is a Deep Learning based algorithm that is able to predict words well.

Through a model formed from the LSTM algorithm, the disputed articles in the Federalist Paper are changed in their writing style. As a result, 30% of classified articles can be changed from one author identity to another identity. The level of similarity of the changed documents ranges from 40-57%, which indicates a change in meaning that is not significant from the original document. These results conclude that the proposed method is able to perform authorship identity deletion properly."

"Proses identifikasi dan pengenalan emosi seseorang selama ini hanya dapat dilakukan secara langsung dengan melihat raut wajahnya secara langsung dan mengolah raut wajah dari orang tersebut untuk mengerti emosi yang sedang dirasakan. Emosi dari raut wajah seseorang merupakan sesuatu yang paling susah dimengerti dan manfaat dari aplikasi yang dapat mengenali emosi ini dari raut wajah seseorang sangat tinggi. Untuk memenuhi minat yang tinggi atas pengenalan emosi pada raut wajah seseorang, penulis berniat untuk mengembangkan sebuah aplikasi yang dapat mengenali emosi seseorang dari raut wajahnya dengan menggunakan machine learning face recognition. Penulis berniat menggunakan framework CNN sebagai algoritma untuk melakukan machine learning face emotion recognition karena algoritma ini yang paling cocok dan mudah untuk digunakan, serta menggunakan arsitektur EfficientNet karena arsitektur ini merupakan arsitektur pengembangan dari Google yang bersifat opensource dan mudah digunakan karena sudah terintegrasi langsung dengan Keras. Program face emotion recognition ini menggunakan arsitektur EfficientNetB2 dan menggunakan dataset FER2013 berhasil mendapatkan akurasi training di angka 95.55% dan akurasi validasi sebesar 63.71%. Walaupun terjadinya overfitting karena perbedaan akurasi validasi dan training yang besar, akurasi testing dari program ini mendapatkan angka 88.21% dan berhasil mendeteksi 7 kategori emosi yang dihasilkan oleh raut wajah manusia

---

The process of identifying and recognizing a person's emotions so far can only be done directly by looking at his face directly and processing the facial expressions of the person to understand the emotions that are being felt. The emotion of a person's facial expression is something that is the most difficult to understand and the benefits of an application that can recognize this emotion from a person's facial expression is very high. To meet the high interest in recognizing emotions on a person's facial expression, the author intends to develop an application that can recognize a person's emotions from his facial expression using machine learning face recognition. The author intends to use the CNN framework as an algorithm to perform machine learning face emotion recognition because this algorithm is the most suitable and easy to use and uses the EfficientNet architecture because this architecture is a development architecture from Google that is open source and easy to use because it is integrated directly with Keras. This face emotion recognition program using the EfficientNetB2 architecture and using the FER2013 dataset managed to get a training accuracy of 95.55% and a validation accuracy of 63.71%. Despite the occurrence of overfitting due to the large difference in validation and training accuracy, the testing accuracy of this program scored 88.21% and succeeded in detecting 7 categories of emotions generated by human facial expressions.

"

"Komunikasi yang efektif sangat penting untuk penyediaan layanan kesehatan yang berkualitas. Di rumah sakit, pasien yang kemampuan komunikasinya terbatas secara fisik mungkin menghadapi tantangan dalam mengungkapkan kebutuhan dasar mereka kepada penyedia layanan kesehatan. Untuk mengatasi masalah ini, dalam penelitian ini dikembangkan sistem pengenalan isyarat tangan untuk pasien dengan keterbatasan fisik. Sistem ini menggunakan Mediapipe dan long short-term memory (LSTM) model untuk mendeteksi dan mengklasifikasi 24 kelas isyarat tangan. Isyarat tangan untuk pasien yang digunakan berdasarkan kartu single hand sign communication, yang dibuat oleh Derek Tune, seorang intrepeter bahasa isyarat pada tahun 2012. Akuisisi data hand landmark dalam bentuk video sepanjang 10 frame untuk setiap kelas isyarat tangan, yang kemudian diolah dan dianalisis menggunakan model LSTM. Model LSTM dilatih menggunakan teknik early stopping untuk mendapatkan performa optimal, menghasilkan tingkat akurasi model 85,53% dengan presisi 0,911. Model dapat mendeteksi isyarat tangan secara waktu nyata dengan waktu inferensi 130 milidetik. Sistem ini juga dirancang untuk mengirim pesan notifikasi secara otomatis ke penyedia layanan kesehatan melalui bot Telegram. Secara keseluruhan, sistem pengenalan isyarat tangan pasien memiliki potensi untuk meningkatkan komunikasi antara pasien dan penyedia layanan kesehatan dan memungkinkan pasien penyandang disabilitas untuk lebih mudah memenuhi kebutuhan dasar mereka.

---

Effective communication is essential to provide quality health services. In hospitals, patients with physically limited communication skills may face challenges expressing their basic needs to health care providers. To overcome this problem, this research developed a hand signal recognition system for patients with physical limitations. This system uses the Mediapipe model and long shortterm memory (LSTM) to detect and classify 24 classes of hand signals. Hand signals for patients used are based on the single hand sign communication card, which was made by Derek Tune, a sign language interpreter in 2012. Acquisition of hand landmark data in the form of a 10-frame video for each hand signal class, which is then processed and analyzed using LSTM models. The LSTM model minimizes using early stopping techniques to get optimal performance, resulting in a model accuracy rate of 85.53% with a precision of 0.911. The model can detect real-time hand signals with an inference time of 130 milliseconds. The system is also designed to automatically send message notifications to healthcare providers via Telegram bots. Overall, patient hand signal recognition systems have the potential to improve communication between patients and healthcare providers and enable patients with disabilities to meet their basic needs more easily."